論文の概要: Exploring Solver-Level Warmstarting for Neural Network Verification
- arxiv url: http://arxiv.org/abs/2609.25962v1
- Date: Tue, 22 Sep 2026 10:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.317366
- Title: Exploring Solver-Level Warmstarting for Neural Network Verification
- Title（参考訳）: ニューラルネットワーク検証のためのソルバーレベルウォームスタート探索
- Abstract要約: ウォームスタートは,ほとんどの場合,検証時間を著しく短縮できることを示す。
ウォームスタートは、所定の時間内にスクラッチから解決できないインスタンスの検証を成功させる。
- 参考スコア（独自算出の注目度）: 11.55197844823182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural network verification has become a key tool for providing formal guarantees on the behaviour of neural networks. However, many verification problems remain computationally intractable in the worst case: even for common adversarial robustness specifications, verification is NP-complete. Here, we explore the application of solver-level warmstarting for neural network verification to exploit information from previous solutions. We study the effect on running time as several properties are modified, including perturbation radii, input data and the networks themselves, using a pipeline that is generalisable and potentially adaptable to state-of-the-art verifiers. Our results show that warmstarting can significantly reduce verification time in most cases. Moreover, warmstarting enables the successful verification of instances that could not be solved from scratch within the given time limit.
- Abstract（参考訳）: ニューラルネットワーク検証は、ニューラルネットワークの動作に関する正式な保証を提供するための重要なツールとなっている。
しかし、最悪の場合、多くの検証問題は計算的に難解であり、共通の対向ロバスト性仕様でさえ、検証はNP完全である。
本稿では,ニューラルネットワーク検証における解解器レベルのウォームスタートの適用について検討する。
提案手法は,入力データやネットワーク自体の摂動ラジイ,入力データなど,複数の特性が修正された場合の走行時間への影響を,一般化可能で,最先端の検証に適応可能なパイプラインを用いて検討する。
その結果,ほとんどの場合,温暖化処理は検証時間を著しく短縮できることがわかった。
さらに、ウォームスタートにより、所定の時間内にスクラッチから解決できないインスタンスの検証を成功させることができる。
関連論文リスト
- Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。
極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。
ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文 参考訳（メタデータ） (2024-05-07T12:20:12Z) - Expediting Neural Network Verification via Network Reduction [4.8621567234713305]
本稿では,検証前の事前処理手法として,ネットワーク削減手法を提案する。
提案手法は、安定なReLUニューロンを除去し、それらをシーケンシャルなニューラルネットワークに変換することにより、ニューラルネットワークを削減する。
我々は、最先端の完全および不完全検証ツールの縮小手法をインスタンス化する。
論文 参考訳（メタデータ） (2023-08-07T06:23:24Z) - Fully Automatic Neural Network Reduction for Formal Verification [8.017543518311196]
到達可能性解析を用いたニューラルネットワークの完全自動・音量低減手法を提案する。
音質は、低減されたネットワークの検証が元のネットワークの検証を必要とすることを保証します。
我々のアプローチは、大きなニューラルネットワークを元のニューロンのごく一部に減らし、検証時間を同様の程度に短縮する。
論文 参考訳（メタデータ） (2023-05-03T07:13:47Z) - Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。
実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-23T14:18:39Z) - Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity
on Pruned Neural Networks [79.74580058178594]
目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。
本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
論文 参考訳（メタデータ） (2021-10-12T01:11:07Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。